بیش از نیم قرن پیش، هنگامی که هنوز هیچ تراشه سیلیکونی ای ساخته نشده بود، آلن تورینگ، یکی از بحث انگیزترین پرسش های فلسفی تاریخ را پرسید. او گفت <آیا ماشین می تواند فکر کند؟> و اندکی بعد کوشید به پیروی از این قاعده که <هر ادعای علمی باید از بوته آزمایش سربلند بیرون بیاید>، پرسش فلسفی خود را با یک آزمایش ساده و در عین حال پیچیده جایگزین کند. او پرسید: آیا یک ماشین یک کامپیوتر می تواند آزمون <بازی تقلید> را با موفقیت پشت سر بگذارد؟ آیا ماشین می تواند از انسان چنان تقلید کند که در یک آزمون محاوره ای نتوانیم تفاوت انسان و ماشین را تشخیص دهیم؟ او در سال۱۹۵۰ بر اساس محاسباتی تخمین زد که پنجاه سال بعد، کامپیوتری با یک میلیارد بیت حافظه خواهد توانست به موفقیت هایی در این زمینه دست پیدا کند. اکنون که در آستانه سال ۲۰۰۷ میلادی هستیم، حتی هفت سال بیشتر از زمانی که او لازم دانسته بود، هنوز هیچ ماشینی نتوانسته است از بوته آزمون تورینگ با موفقیت خارج شود. اما همین پرسش کافی بود تا بشر در نیم قرن اخیر به دستاوردهای شگرفی در زمینه هوش مصنوعی برسد. دست کم یکی از پیش بینی های تورینگ درست از آب درآمد: در سال ۲۰۰۰ مفهوم <هوش مصنوعی> برای هیچ کس غیرقابل باور نبود. در این مقاله نگاهی داریم به سیر تحولاتی که پس از این پرسش تاریخی در دنیای علم و مهندسی به وقوع پیوستند.


 


 


آیا کامپیوتر می تواند فکر کند؟


یکی از جالب ترین و هیجان انگیزترین پرسش هایی که تاکنون تاریخ فلسفه به خود دیده، پرسشی است که آلن تورینگ، فیلسوف و ریاضیدان انگلیسی در سال ۱۹۵۰ طی مقاله ای به نام Computing Machinery and Intelligenceیا <ماشین محاسباتی و هوشمندی> مطرح کرد. او پرسید: <آیا ماشین می تواند فکر کند؟> و برای این که ذهن مخاطب را از پریشانی درباره ماهیت این ماشین برهاند، توضیح داد که منظور او از ماشین، یک کامپیوتر است؛ ماشینی که قادر به انجام محاسبات نرم افزاری است. به این ترتیب برای اولین بار این پرسش در ذهن نوع بشر پدید آمد که: <آیا کامپیوتر می تواند فکر کند؟>


خود تورینگ نتوانست پاسخ قطعی این پرسش را پیدا کند، اما برای یافتن پاسخ مناسب در آینده، یک راهبرد خلاقانه پیشنهاد کرد. او آزمونی طراحی کرد که خود آن را <بازی تقلید> نامید. تورینگ پرسید: <آیا یک ماشین، یعنی یک کامپیوتر، می تواند آزمون تقلید را با موفقیت پشت سربگذارد؟> آیا یک کامپیوتر می تواند با یک انسان چنان گفت وگو کند که او فریب بخورد و تصور کند در حال گفت وگو با یک انسان است؟


او آزمون بازی تقلید را چنین شرح داد: یک پرسشگر یک انسان همزمان در حال گفت وگو با دو نفر است. هر یک از این دو نفر در اتاق های جداگانه ای قرارگرفته اند و پرسشگر نمی تواند هیچ یک از آن ها را ببیند. یکی از این دو نفر یک انسان است و دیگری یک ماشین؛ یعنی یک کامپیوتر. پرسشگر باید با این دو نفر شروع به گفت وگو کند و بکوشد بفهمد کدام یک از این دو انسان است و کدام یک ماشین. اگر کامپیوتر بتواند طوری جواب دهد که پرسشگر نتواند انسان را از ماشین تمیز دهد، آنگاه می توان ادعا کرد که این ماشین هوشمند است.


تورینگ برای آسان ترکردن شرایط این آزمون و پرهیز از پیچیدگی های اضافی، آن را به محاوره ای متنی و روی کاغذ محدود کرد تا مجبور به درگیر شدن با مسائل انحرافی مانند تبدیل متن به گفتار شفاهی و تنظیم تُن صدا و لهجه نباشیم. او همچنین براساس یک سری محاسبات، پیش بینی کرد که پنجاه سال بعد، یعنی در سال ۲۰۰۰ انسان قادر خواهد بود کامپیوترهایی بسازد که در یک گفت وگوی پنج دقیقه ای، فقط هفتاد درصد پرسشگرها بتوانند کشف کنند که در حال گفت وگو با یک انسان هستند یا یک ماشین. او برخورداری از یک میلیارد بیت حافظه (۱۲۵ میلیون بایت حدود ۱۲۰ مگابایت) را یکی از مشخصه های اصلی این کامپیوتر دانست.


تورینگ همچنین در این مقاله یک سری استدلال های مخالف با نظریه و آزمون خود را مطرح کرد و کوشید به آن ها پاسخ دهد. نخست، تصور این که ماشین های هوشمندی ساخته شوند که بتوانند فکر کنند، وحشتناک است. تورینگ در پاسخ می گوید: این نکته ای انحرافی است؛ زیرا بحث اصلی او بایدها و نبایدها نیست، بلکه بحث درباره ممکن ها است. دیگر این که، ادعا می شود محدودیت هایی درباره نوع پرسش هایی که می توان از کامپیوتر پرسید وجود دارد؛ زیرا کامپیوتر از منطق خاصی پیروی می کند. اما تورینگ در پاسخ می گوید: خود انسان هنگام گفت وگو پرغلط ظاهر می شود و نمی توان گفتار هر انسانی را لزوماً منطقی کرد. او پیش بینی کرد که منشا اصلی هوشمندی ماشینِ فرضی او، حافظه بسیار زیاد و سریعی است که یک کامپیوتر می تواند داشته باشد. بنابراین، از نگاه تورینگ، ماشینی همچون کامپیوتر Deep Blue که کاسپاروف، قهرمان شطرنج را شکست داد، می توان یک ماشین هوشمند تلقی کرد.


در عین حال تورینگ این نظر را که <آزمون مورد بحث معتبر نیست؛ زیرا انسان دارای احساسات است و مثلاً موسیقی دراماتیک می سازد> رد کرد و گفت: هنوز هیچ سند قابل قبولی وجود ندارد که ثابت کند فقط ما انسان ها دارای احساسات هستیم؛ زیرا مشخص نیست مفهوم دقیق این واژه به لحاظ علمی چیست.


در سال ۱۹۵۶ جان مک کارتی، یکی از نظریه پردازان پیشگام این نظریه در آن زمان، اصطلاح <هوش مصنوعی> را برای اولین بار در نخستین کنفرانسی که به این موضوع اختصاص یافته بود، به کار برد. او همچنین زبان برنامه نویسی Lisp را ابداع کرد که در همین زمینه کاربرد دارد. دانشمندان بعداً این تاریخ را به عنوان تاریخ تولد علم هوش مصنوعی انتخاب کردند. تقریباً در همان زمان جان فون نیومان <نظریه بازی ها> را معرفی کرد. این نظریه بدیع و درخشان که بعداً در اکثر حوزه های علم، از جمله جامعه شناسی، اقتصاد و سیاست کاربردهایی پیدا کرد، نقش مؤثری در پیشبرد جنبه های نظری و عملی هوش مصنوعی داشت. چند سال بعد، در ۱۹۶۸، آرتور سی کلارک، در رمان معروف خود، یعنی اودیسه فضایی ۲۰۰۱ اصطلاح <آزمون تورینگ> را به جای <بازی تقلید> سرزبان ها انداخت. از زمانی که تورینگ این فرضیه را مطرح کرده است، هزاران دانشمند با هدف ساختن ماشینی که بتواند آزمون تورینگ را با موفقیت تمام کند، دست به کار شده اند. اما هنوز هیچ کس موفق نشده است چنین ماشینی بسازد و پیش بینی تورینگ هم درست از آب درنیامده است.


 


 


چالش های بنیادین هوش مصنوعی


البته امروزه هوش مصنوعی به واقعیت نزدیک شده است و تقریباً می توان گفت وجود دارد، اما دلایل اساسی متعددی وجود دارند که نشان می دهند چرا هنوز شکل تکامل یافته هوشی که تورینگ تصور می کرد، به وقوع نپیوسته است. به طور کلی خود نظریه تورینگ مخالفانی جدی دارد. بعضی از این منتقدان اصلا ً هوش ماشینی را قبول ندارند و برخی دیگر صرفاً کارآمدی آزمون تورینگ را برای اثبات هوشمندی زیر سؤال می برند. یکی از مهم ترین مباحث مطرح در این زمینه، موضوع شبیه سازی است. غالباً پرسیده می شود آیا صرف این که ماشینی بتواند نحوه صحبت کردن انسان را شبیه سازی کند، به معنی آن است که هوشمند است؟ به عنوان مثال، شاید شما هم درباره روبات های نرم افزاری که می توانند چت کنند (Chatter Bots) چیزهایی شنیده باشید.(۱) این روبات ها از روش های تقلیدی استفاده می کنند و به تعبیری، نمونه مدرن و اینترنتی آزمون تورینگ هستند.


مثلاً روبات ELIZA یکی از این هاست. این روبات را ژوزف وایزن بام، یکی دیگر از پژوهشگران نامدار این حوزه اختراع کرد. الیزا در برخی مکالمات ساده می تواند طرف مقابل خود را به اشتباه بیندازد. طوری که مخاطب ممکن است فکر کند درحال گپ زدن با یک انسان است. البته الیزا هنوز نتوانسته است آزمون تورینگ را با موفقیت پشت سر بگذارد. با این حال تکنیک های شبیه سازی مورد انتقاد گروهی از دانشمندان است. یکی از مشهورترین انتقادات در این زمینه را فیلسوفی به نام جان سیرل (John Searle) مطرح کرده است. او معتقد است بحث هوشمندی ماشین های غیربیولوژیک اساساً بی ربط است و برای اثبات ادعای خود مثالی می آورد که در مباحث تئوریک هوش مصنوعی <بحث اتاق چینی> نامیده می شود. سیرل ابتدا نقد خود درباره هوش ماشینی را در ۱۹۸۰ مطرح کرد و سپس آن در مقاله کامل تری که در ۱۹۹۰ منتشر کرد، بسط داد.


ماجرای اتاق چینی به این صورت است: فرض کنید داخل اتاقی یک نفر نشسته است و کتابی از قواعد سمبول های زبان چینی در اختیار دارد. برای این فرد عبارات سمبول های چینی روی کاغذ نوشته می شود و از زیر درِ اتاق به داخل فرستاده می شود. او باید با مراجعه به کتاب قواعد پاسخ مناسب را تهیه کند و روی کاغذ پس بفرستد. اگر فرض کنیم کتاب مرجع مورد نظر به اندازه کافی کامل است، این فرد می تواند بدون این که حتی معنی یک نماد از سمبول های زبان چینی را بفهمد، به پرسش ها پاسخ دهد. آیا می توان به این ترتیب نتیجه گرفت که پاسخ دهنده هوشمند است؟


استدلال اصلی این منتقد و دیگر منتقدان موضوع شبیه سازی این است که می توان ماشینی ساخت (مثلاً یک نرم افزار لغتنامه) که عبارات و اصطلاحات را ترجمه کند. یعنی ماشینی که کلمات و سمبول های ورودی را دریافت و سمبول ها و کلمات خروجی را تولید کند؛ بدون این که خود ماشین معنی و مفهوم این سمبول ها را درک کند. بنابراین آزمون تورینگ حتی در صورت موفقیت نیز نمی تواند ثابت کند که یک ماشین هوشمند است.


در مقابل این انتقاد دو نظر وجود دارد: یک دسته از دانشمندان که بیشتر به نظریه تورینگ معتقدند، می گویند اساساً چه دلیلی وجود دارد که باور نکنیم (دست کم) بخش بزرگی از آنچه را که هوشمندی انسان تلقی می کنیم، معلومات تقلیدی تشکیل داده باشد؟ در واقع تمام سندی که ما درباره متفکر بودن انسان داریم رفتاری است که اندیشه او پدید می آورد، ولی درباره ماهیت و ساختار این اندیشه چیز زیادی نمی دانیم. دسته دوم، کسانی هستند که معتقدند اگر ماشین ها بتوانند با دنیای پیرامون خود کنش و واکنش داشته باشند، آنگاه می توانند فکر کنند. منظور این است که کامپیوترها نیز مانند ما دارای حس بینایی، شنوایی، لامسه و حس های دیگر باشند. در این صورت، ترکیب همزمان <پاسخ های تقلیدی> با <واکنش مناسب به محیط> یعنی همان <هوشمندی>. اتفاقاً کسی مانند جان سیرل نیز تفکرات مشابهی دارد؛ با این تفاوت که به طور خاص او شکل ایده آل کنش و واکنش مورد نیاز را همان تعامل بیولوژیکی می داند.


انتقادات دیگری نیز به آزمون تورینگ وارد می شود. ازجمله این که ممکن است یک ماشین هوشمند باشد، ولی نتواند همچون انسان ارتباط برقرار کند. دیگر این که، در آزمون تورینگ فرض می شود که انسان مورد آزمایش یکی از دو نفری که داخل اتاق در بسته به سؤالات پاسخ می دهد به اندازه کافی هوشمند است. در حالی که با استناد به استدلال خود تورینگ می توان نتیجه گرفت که خیلی از افراد مانند بچه ها و افراد بیسواد در این آزمون مردود می شوند؛ نه به دلیل هوشمندی ماشین، بلکه به دلیل نداشتن مهارت کافی در ارتباط گیری از طریق مکاتبه.


مسئله دیگری که در بحث هوش مصنوعی اهمیت دارد، موضوع <قالب و محتوا> است. منظور از قالب یا Context در اینجا، ظرفی است که محتوا داخل آن قرار می گیرد.


یکی از پایه های هوشمندی انسان توجهی است که او به قالب محتوا و نه صرفاً خود محتوا دارد. به عنوان مثال، وقتی می گوییم <شیر>، این کلمه به تنهایی معانی متفاوتی دارد، ولی هنگامی که همین واژه داخل یک جمله قرار می گیرد، فقط یک معنی صحیح دارد. انسان می تواند معانی کلمات را نه فقط به صورت مجرد، بلکه با دنبال کردن نحوه وابستگیشان به جمله تشخیص دهد. مشابه همین هوشمندی، در تمام حس های پنجگانه انسان وجود دارد. به عنوان مثال، از نظر علمی ثابت شده است که گوش انسان می تواند هنگام توجه به صحبت های یک انسان دیگر در محیطی شلوغ، کلمات و عباراتی را که نمی شنود، خودش تکمیل کند یا چشم انسان می تواند هنگام مشاهده یک تصویر، قسمت های ناواضح آن را با استفاده از دانسته های بصری قبلی خود تکمیل کند.


از این رو کارشناسان معتقدند، دانش پیش زمینه یا <آرشیو ذهنی> یک موجود هوشمند نقش مؤثری در هوشمندی او بازی می کند. در حقیقت منشأ پیدایش برخی از شاخه های مدرن و جدید دانش هوش مصنوعی همچون <سیستم های خبره> و <شبکه های عصبی> همین موضوع است و اساسا با این هدف پدید آمده اند که بتوانند به ماشین قدرت آموختن و فراگیری بدهند؛ هرچند که هر یک از این شاخه ها، از پارادایم متفاوتی برای آموزش به ماشین استفاده می کنند و همین تفاوت ها مبنا و اساس دو جریان فکری عمده در محافل علمی مرتبط با هوش مصنوعی را پدید آورده اند.


 


 


شاخه های علم هوش مصنوعی


امروزه دانش مدرن هوش مصنوعی به دو دسته اصلی تقسیم می شود: یکی <هوش مصنوعی سمبولیک یا نمادین> (Symbolic AI) و دیگری هوش غیرسمبولیک که پیوندگرا (Connection AI) نیز نامیده می شود.


هوش مصنوعی سمبولیک از رهیافتی مبتنی بر محاسبات آماری پیروی می کند و اغلب تحت عنوان <یادگیری ماشین> یا (Machine Learning) طبقه بندی می شود. هوش سمبولیک می کوشد سیستم و قواعد آن را در قالب سمبول ها بیان کند و با نگاشت اطلا عات به سمبول ها و قوانین به حل مسئله بپردازد. در میان معروف ترین شاخه های هوش مصنوعی سمبولیک می توان به سیستم های خبره (Expert Systems) و شبکه های Bayesian اشاره کرد.


یک سیستم خبره می تواند حجم عظیمی از داده ها را پردازش نماید و بر اساس تکنیک های آماری، نتایج دقیقی را تهیه کند. شبکه های Bayesian یک تکنیک محاسباتی برای ایجاد ساختارهای اطلاعاتی و تهیه استنتاج های منطقی از روی اطلاعاتی است که به کمک روش های آمار و احتمال به دست آمده اند. بنابراین در هوش سمبولیک، منظور از <یادگیری ماشین> استفاده از الگوریتم های تشخیص الگوها، تحلیل و طبقه بندی اطلاعات است.


اما هوش پیوندگرا متکی بر یک منطق استقرایی است و از رهیافت <آموزش/ بهبود سیستم از طریق تکرار> بهره می گیرد. این آموزش ها نه بر اساس نتایج و تحلیل های دقیق آماری، بلکه مبتنی بر شیوه آزمون و خطا و <یادگیری از راه تجربه> است. در هوش مصنوعی پیوندگرا، قواعد از ابتدا در اختیار سیستم قرار نمی گیرد، بلکه سیستم از طریق تجربه، خودش قوانین را استخراج می کند. متدهای ایجاد شبکه های عصبی (Neural Networks) و نیز به کارگیری منطق فازی (Fuzzy Logic) در این دسته قرار می گیرند.


برای درک بهتر تفاوت میان این دو شیوه به یک مثال توجه کنید. فرض کنید می خواهیم یک سیستم OCR بسازیم. سیستم OCR نرم افزاری است که پس از اسکن کردن یک تکه نوشته روی کاغذ می تواند متن روی آن را استخراج کند و به کاراکترهای متنی تبدیل نماید.


بدیهی است که چنین نرم افزاری به نوعی هوشمندی نیاز دارد. این هوشمندی را با دو رهیافت متفاوت می توان فراهم کرد. اگر از روش سمبولیک استفاده کنیم، قاعدتاً باید الگوی هندسی تمام حروف و اعداد را در حالت های مختلف در بانک اطلاعاتی سیستم تعریف کنیم و سپس متن اسکن شده را با این الگوها مقایسه کنیم تا بتوانیم متن را استخراج نماییم. در اینجا الگوهای حرفی عددی یا همان سمبول ها پایه و اساس هوشمندی سیستم را تشکیل می دهند. روش دوم یا متد <پیوندگرا> این است که یک سیستم هوشمند غیرسمبولیک درست کنیم و متن های متعددی را یک به یک به آن بدهیم تا آرام آرام آموزش ببیند و سیستم را بهینه کند. در اینجا سیستم هوشمند می تواند مثلا ً یک شبکه عصبی یا مدل مخفی مارکوف باشد. در این شیوه سمبول ها پایه هوشمندی نیستند، بلکه فعالیت های سلسله اعصاب یک شبکه و چگونگی پیوند میان آن ها مبنای هوشمندی را تشکیل می دهند.


در طول دهه های ۱۹۶۰ و ۱۹۷۰ به دنبال ابداع اولین برنامه نرم افزاری موفق در گروه سیستم های مبتنی بر دانش


(Knowledge based) توسط جوئل موزس، سیستم های هوش سمبولیک به یک جریان مهم تبدیل شد. ایده و مدل شبکه های عصبی ابتدا در دهه ۱۹۴۰ توسط Warren McCulloch و Walter Pitts معرفی شد. سپس در دهه ۱۹۵۰ کارهای روزنبالت (Rosenblatt) درمورد شبکه های دولایه مورد توجه قرارگرفت. در ۱۹۷۴ الگوریتم back propagation توسط Paul Werbos معرفی شد، ولی متدولوژی شبکه های عصبی عمدتاً از دهه ۱۹۸۰ به این سو رشد زیادی پیدا کرد و مورد استقبال دانشمندان قرار گرفت. منطق فازی ابتدا توسط پروفسور لطفی زاده، در ۱۹۶۵ معرفی شد و از آن زمان به بعد توسط خود او و دیگر دانشمندان دنبال شد.


در دهه ۱۹۸۰ تلاش های دانشمندان ژاپنی برای کاربردی کردن منطق فازی به ترویج و معرفی منطق فازی کمک زیادی کرد. مثلاً طراحی و شبیه سازی سیستم کنترل فازی برای راه آهن Sendai توسط دو دانشمند به نام هایYasunobu و Miyamoto در ۱۹۸۵، نمایش کاربرد سیستم های کنترل فازی از طریق چند تراشه مبتنی بر منطق فازی در آزمون <پاندول معکوس> توسط Takeshi Yamakawa در همایش بین المللی پژوهشگران منطق فازی در توکیو در ۱۹۸۷ و نیز استفاده از سیستم های فازی در شبکه مونو ریل توکیو و نیز و معرفی سیستم ترمز ABS مبتنی بر کنترلرهای فازی توسط اتومبیل سازی هوندا در همین دهه تاثیر زیادی در توجه مجدد دانشمندان جهان به این حوزه از علم داشت.


 


 


فراتر از هوشمندی ماشین


چنان که گفتیم، هوش مصنوعی دانش و مهندسی ساختن ماشین های هوشمند، به ویژه کامپیوترهای هوشمند است. اما براستی هوشمندی چیست؟ در واقع هنوز دانشمندان نتوانسته اند تعریف واحدی از هوشمندی ارائه دهند که مستقل از <هوش انسانی> باشد. ما می دانیم که برخی از ماشین ها یا جانداران می توانند هوشمند باشند، اما بشر هنوز نمی داند که مایل است کدام دسته از فرآیندهای محاسباتی یا پردازشی را هوشمندی بنامد. بنابراین برای پاسخ دادن به این پرسش که <آیا فلان ماشین هوشمند است؟> هنوز فرمول مشخصی وجود ندارد. در واقع هوشمندی، خود یک مفهوم فازی و نادقیق است. هوشمندی را می توان یک فرآیند تلقی کرد که دانشمندان هنوز در حال شبیه سازی، تحلیل و حتی تعریف مشخصه های آن هستند.


موضوع مهم دیگری که در ارتباط با هوش مصنوعی مطرح است، هدف دانشمندان از به کارگیری آن است. روشن است که هدف اولیه بشر از ورود به این موضوع، شبیه سازی هوش انسان در کالبد ماشین بوده است. ولی امروزه دیگر چنین نیست و این تصور که هدف علم هوش مصنوعی تنها شبیه سازی هوش انسانی است، تصوری نادرست است. در حقیقت موضوع شبیه سازی هوش انسانی عاملی پیش برنده در این حوزه از علم است که به دانشمندان انگیزه می دهد تا آن را توسعه دهند، اما در خلال روند توسعه، بشر می تواند به دستاوردهایی برسد که در تمام زمینه ها کاربرد دارد. سیستم های خبره و مبتنی بر دانش نمونه ای از این دستاوردهاست. بسیاری از نرم افزارهای موسوم به سیستم های تصمیم سازی (Decision Making Systems) در شاخه اقتصاد و یا سیستم هایی که در تجزیه و تحلیل داده های علم پزشکی به کار می روند از این دستاورد بهره می گیرند. هوش منصوعی همچنین بستری برای توسعه علومی که مانند تئوری بازی ها یا منطق فازی خود شاخه مستقلی هستند پدید می آورد تا در سایه همان عوامل انگیزشی، بتوانند رشد و توسعه پیدا کنند.


در عین حال برخی از دستاوردهای این علم فراتر از بحث هوشمندی است. به عنوان مثال، افزایش قدرت محاسباتی و پردازشی کامپیوتر همواره به پیشرفت این علم کمک کرده است. بنابراین میزان موفقیت هوش مصنوعی در آینده نه فقط به خبرگی الگوریتم ها و متدولوژی ها، بلکه به سرعت پردازش ها و محاسبات کامپیوتری نیز بستگی دارد. این دو لازم و ملزوم یکدیگرند و به رشد هم کمک می کنند. شاید پیروزی کامپیوتر Deep Blue بر کاسپاروف، قهرمان شطرنج، تأثیر محسوسی بر زندگی روزانه ما نگذاشته باشد. اما همین مسابقه و تلاش های دیگری از این دست، به صنعت کامپیوتر امکان می دهند، توانایی خود را برای تولید سیستم های کارآمدتر و سودمندتری که در زندگی روزانه بشر کاربرد دارند، افزایش دهد.



بهروز نوعی پور


پی‌نوشت:


(۱) به مقاله <ماشینی که فکر می‌کرد> در این شماره نگاه کنید.


توسط دانشجوی مهندسی برق